【講講科普】 當你有了三個孩子他們分別叫監督式學習、非監督式學習與強化式學習
大部分的機器學習入門課當中，最一開始也最基礎的觀念就是三大類機器學習方式，它們分別是監督式學習(Supervised learning)、非監督式學習(Unsupervised learning)與強化式學習(Reinforcement learning)，不過在沒有任何概念下，讀了好幾次的定義還是無法對其產生感覺，這邊我嘗試用教養小孩的方式來解釋，如果有任何疏漏之處，歡迎大家的指教。
機器學習到底機器是在學什麼習
從字面上來看，「機器學習」就是讓機器(電腦)學習一件事情，就和我們一樣，從小到大，我們深受父母、教師或朋友等影響，形成了現在的我們，機器學習也是一樣，讓我們假設今天電腦是你的小孩，你可以選擇採用哪種教育方針教導它，使它未來能得到你預期的結果。
個性一板一眼的大兒子：監督式學習 Supervised learning
它的個性單純、踏實，大部分的事情你必須先跟它解釋夠多遍，它才有足夠的判斷力做出決定。舉例來說，你今天帶著它來到公園，為了讓他了解什麼是植物，你指向榕樹、矮樹林、灌木叢與草地，看！這些都是植物，接著指著天空、汽車和房子說這些不是植物，帶著它認識大部分的物件後，大兒子最終找到了規律(綠色、有根或葉)，學會了如何判斷什麼是植物。
所以，監督式學習必須要在資料有標記(labeled)的狀況下套用，在現實例子中，有拍賣網或大型電商，他們手上可能有一份記錄著顧客月收入、年齡、性別等標記的清單，將這份資料餵給電腦處理，便可讓電腦從中根據指標來判斷下一個使用者出現時，會購買商品的機率是多少。
明察秋毫、善於分類的女兒：非監督式學習 Unsupervised learning
喜歡將看到的物件依照結構分門別類、劃分成不同群組的它，當你將一箱動物玩具放在它面前時，它很快就能夠從中分出不同的小圈子，讓你感到驚訝的是，你事先並沒有告訴它每隻動物是哪種分類，它卻可以透過觀察分成有翅膀能夠飛的、能在水中生活的或只能在路上爬的動物，有些甚至有它獨特的分類方法是你沒想到的，這就是非監督式學習，你不必透過監督，就從玩具中透過觀察解析結構將資訊做好分類。
非監督式學習可以只需要無標記( unlabeled)資料，便能實作。換成現實中的例子，想到的是消費者喜好分析，一般在分類不同消費群組時，我們習慣根據性別、年紀等做分群，但假如今天你發現有個會員會在白天購買化妝品、傍晚購買啤酒、晚上買電動，而且這族群數量還不算少，若只看性別和年紀應該會滿頭霧水，覺得這個消費者是不是得了精神分裂症。而這組會員其實就是家庭，全家爸爸、媽媽、小孩共用同一個帳號網購累積紅利，若套用非監督式學習去分析消費者的行為，便有機會篩檢出這麼樣有相同屬性的客群。
失敗就是進步，越挫越勇的老么：Reinforcement learning
而最小的老么最喜歡下棋，常常要求你跟它對弈，一開始你一定會竊笑它的思路缺乏常識，總是下險棋犯些很明顯的錯誤，但經過一局又一局的對弈之後，它不斷思考每一局的過錯是不是有改變的可能，所以它越下越好，思考的套路也更加深層，沒錯！AlphaGo就是強化式學習的一種應用。
強化式學習的特徵是訓練必須要有正負回報(positive/negative reward)，在訓練過程中，模型會根據不同的狀況(state)嘗試各種決定(action)，再根據此決定得到的結果內化吸收，下方的AI 玩 Mario遊戲影片便是一種應用，在模型最初時，可以看到角色就是站在原地閒置太久，拿到了負面回報，所以它改變開始學習向前移動，走了一段路之後被棒球K到，它又得到了負面回報，所以它開始加上跳躍來閃避傷害，最後最後，破關方式就被電腦試了出來。
結論
監督式學習: 資料已有標記，運用已標記資料來做訓練。
非監督式學習: 資料沒有標記，從中找出擁有相同特徵的資料群。
強化式學習: 可能手上沒有任何資料，直接讓模型執行，再將執行結果反饋回去做訓練。
當然，也有人提過半監督式學習(Semi supervised learning)，這是資料中少部分有標記，大部分沒有標記的一種學習方式，但我認為先瞭解上面三大類學習方式已算很足夠了。
所以我該用哪種學習方法？孔子：因材施教
子曰 : 「中人以上、可以語上也，中人以下、不可以語上也」。
根據你要分析的問題和手上現有的資料，才能想清楚你該用哪種學習演算法，之後我再慢慢依序介紹這三種學習法中，有哪些著名的演算法實作方式。
[2] Unsupervised learning wiki
